IA para docentes: Manual INTEF

• Informe resumen elaborado por el Instituto Nacional de Tecnologías Educativas y Formación del Profesorado (INTEF) a partir del recurso digital "AI for Teachers: an Open Textbook".
• "AI for Teachers: an Open Textbook Copyright © 2024 by Colin de la Higuera and Jotsna Iyer" tiene licencia Creative Commons Attribution 4.0 International License.
• El manual es elaborado por de la Higuera, C. e Iker, J. como producto del proyecto AI4T de Erasmus +.
• El prefacio se inicia con la indicación del periodo posterior a la publicación de ChatGPT.
• La edición actual tiene como novedad tanto los cambios que supuso la herramienta mencionada como las IA alternativas.
• Se presenta como un libro abierto bajo licencia CC, en el que imágenes, videos y material adicional pueden ser compartidos abiertamente.
• El manual busca concienciar a los docentes a la vez que presenta la IA (y explicarla), mencionando su repercusión y posibilidades en el ámbito educativo.
• Aunque se encuentra en inglés, en el enlace indicado con una extensión de traductor puede leerse en español sin problema alguno.

¿Por qué aprender sobre IA?

• Se plantea que las apps de IA actuales están diseñadas para una tarea concreta al igual que para un usuario concreto.
• Se plantea la IA como un complemento de manera que seamos un maestro aumentado.
• Las soluciones de IA efectivas para una clase son aquellas que empoderan al docente.
• La IA implica una colección de programas que realizan un conjunto de tareas variadas.
• Se define como máquinas que perciben entornos, simplifican datos (y los analizan) y toman decisiones.
• En la educación sería un software que ayude en la elección de material didáctico, adaptación a las necesidades del alumnado, evaluación productiva, etc.
• Menciona como las herramientas basadas en IA ya tienen presencia en la educación, por lo que es necesario ser consciente de los beneficios y posibles problemas que puede acarrear.
• Se ejemplifica el argumento con Photomath (app que con una foto resuelve un problema matemático).
• Se mencionan: buscadores, correctores ortográficos, traductores en línea, etc.
• Se inicia con los extremos actuales a la hora de emplear esta tecnología: infrautilización vs uso indiscriminado.
• Las tecnologías de IA para la gestión del aprendizaje pueden ayudar en el control de absentismos, visualizar datos o autoevaluación del docente.

¿Por qué no hacer IA?

• Se retoma la idea de uso indiscriminado o mal uso de la tecnología, presentando las limitaciones de la IA.
• Se habla de la perpetuación de estereotipos (que el docente tendrá que compensar) o de las múltiples medidas de precisión que pueden presentar estas tecnologías (lo que conllevará que corresponda al docente juzgar lo que es aceptable o no).
• Siempre habrá una ganancia (por la compra del producto de tecnología educativa o por empleo de nuestros datos en casos de productos gratuitos).
• Cualquier herramienta debe basarse en teorías pedagógicas sólidas.

Búsqueda de Información

• Un motor de búsqueda es la IA en el bolsillo de uno mismo, ya que este es el uso más sofisticado de la IA que se emplea con frecuencia.
• Los motores de búsqueda pueden ayudar a los docentes facilitando la búsqueda y verificación de información para su uso en lecciones, ofertando varias fuentes de conocimiento o permitiendo el aprendizaje exploratorio de los estudiantes.
• Se ofrecen pautas para optimizar las búsquedas.
• Se propone el fomento de la cultura de evaluación crítica de fuentes.
• El empleo de repositorios conocidos y fiables es un mecanismo de garantía.
• La volatilidad del contenido encontrado en los buscadores, que se ve influenciado por el momento en el que ha sido indexado, pero también por el historial de búsquedas, configuración de privacidad e información personal de las diferentes personas.
• Un algoritmo es una secuencia fija de instrucciones para llevar a cabo una tarea.
• Los motores de búsqueda funcionan con algoritmos de aprendizaje convencional y automático.
• Los algoritmos de Machine Learning están basados en teorías estadísticas y que es trabajo del programador elegir qué datos y qué características de estos son relevantes para el problema que el algoritmo debe resolver.
• El aprendizaje automático necesita muchos datos para su entrenamiento.
• Experimentar con usuarios reales es costoso, por lo que a menudo se suelen emplear datos históricos de los usuarios.
• Los rastreadores web (fragmentos de código) buscarían la información introducida en el buscador.
• Una vez encontrada esta es convertida en código (HTML, XML...) y transformada en tablas que contienen datos tales como la descripción del sitio web, metadatos, títulos, etc.
• Los motores de búsqueda pueden realizar análisis ricos y profundos como contar palabras, comparar significados, etc.
• Los criterios de relevancia a la hora de clasificar los resultados implican tanto la relevancia del tema como la relevancia del usuario (coincidencia con sus preferencias), pudiendo hacerse esta última gracias a cookies o técnicas similares.
• Se indica la posibilidad de rastrear a los usuarios gracias información que se agregó en algún sitio web, información agregada por otros gracias a consentimiento e información recopilada en un contexto específico.
• Se habla de: el tema buscado, datos de actividad de otras aplicaciones, datos comprados a motores de búsqueda, inferencias extraídas en entornos personales, etc.
• Los resultados suelen estar fuertemente influenciados por las empresas anunciantes que patrocinan el contenido.
• Siempre es aconsejable emplear múltiples fuentes y motores de búsqueda.
• La democracia se basa en poder tomar decisiones informadas bajo información precisa.
• Los motores pueden crear burbujas de filtro, la información que se oferte se basa en lo que le guste al usuario.
• Otro problema destacable es el de las noticias faltas, contenidos extremos o censura.

Gestión del aprendizaje

• El número de personas que usa el e-learning aumenta constantemente.
• LMS se define como un entorno de aprendizaje dentro del cual se implementan actividades y herramientas de aprendizaje, contenido y evaluación.
• De su conjunción con la IA surgen los Ilamados SLMS o Intelligent LMS, que pueden proporcionar y recuperar información de tres grupos: alumnado, la pedagogía y el dominio.
• Algunas funcionalidades apoyadas por la IA en estos gestores son los chatbots que funcionan como tutores virtuales o las analíticas de aprendizaje.
• Se definen analíticas de aprendizaje y minería de datos educativos como la medición, recopilación, análisis y representación de informes de datos sobre los alumnados y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que produce (Long, P., y Siemens, G. 2022).
• El documento distingue 4 tipos: analítica descriptiva, análisis de diagnóstico, análisis predictivo y analítica predictiva.
• Entre sus usos podemos encontrar los sistemas de alerta temprana o la personalización de las rutas de aprendizaje.
• Cometa que cualquiera que sea la tecnología que se utilice debe cumplir con un requisito real en el aula.
• Se hace hincapié en los rastros de datos que genera el estudiantado tales como clics, datos de páginas abiertas, tiempo de interacciones o pulsaciones.
• También deben considerarse los metadatos o los datos derivados (inferidos a partir de otros datos).
• Se prosigue el argumento con la necesidad de conocer el RGPD de la UE.
• Deben identificarse objetivos y factores que contribuyen para después analizar qué datos se requieren, cómo se obtendrán y se etiquetarán.
• Parte de la premisa de que nuestros datos se registran constantemente en nuestros dispositivos.
• Estos procedimientos pueden llevar a la creación de perfiles compuestos de datos ruidos o incorrectos, con la consecuencia de que estos tienden a persistir mucho después del evento que los originó (entre otras consecuencias).
• Se da una pérdida de agencia humana.
• También se puede provocar problemas de salud mental derivados de un énfasis excesivo en las métricas.
• Se propone que los maestros trabajen la alfabetización de datos, monitoricen los efectos de estos sistemas en el aula o que soliciten sistemas abiertos que les permitan anular decisiones automatizadas.
• El primero de los conceptos entendido como el prejuicio hacia o en contra de una identidad.
• El segundo de los conceptos entendido como el tratado igualitario.
• Entre los posibles sesgos podemos encontrar que un algoritmo no proponga una ruta a un grupo de estudiantes concreto porque estos aparecen menos en conjuntos de datos (aplicable a discentes de una cultura poco representada), cambios dialectales que pueden influir en cómo puntúa una plataforma o recomendaciones de recursos que requieren conexión para alumnado que carece de esta en su hogar.
• Entre las acciones que los docentes pueden llevar a cabo nos encontramos el análisis documental de la herramienta, el examen de la accesibilidad del producto o la monitorización de los efectos de la tecnología.

Personalizando el aprendizaje

• El aprendizaje personalizado consiste en crear diferentes entornos y experiencias de aprendizaje para las necesidades, capacidades y contextos culturales de los estudiantes (Groff,J. 2017).
• Se han identificado seis dimensiones de la personalización: el por qué, el cómo, el qué, el cuándo, quién y dónde se produce el aprendizaje.
• La tecnología puede aumentar el tiempo que se pasa en el aula para la interacción, la atención personal y la resolución de problemas.
• Los ITS (sistemas de tutoría inteligente) están diseñados para reflejar el papel del tutor/a.
• Se consideran un tipo de sistemas de aprendizaje adaptativo (aquellos que crean rutas de aprendizaje individuales).
• Entre los tipos de ITS se mencionan los de aprendizaje exploratorio (que permiten elegir al alumnado lo que desea) o los sistemas basados en juegos (en el que cuando se domina un nivel se pasa al siguientes).
• Se presenta el concepto de sistema de recomendación, como en el caso de la plataforma mencionada en la que esta funcionalidad se emplea para decir a los usuarios qué ver.
• Entre los criterios que emplean se encuentra el tiempo de visualización para un usuario en un determinado contexto particular (entre otros datos clasificados como relevantes para que el vídeo sea recomendado).
• Se establece una analogía entre el modelo de recomendación de la plataforma y cómo realmente funciona el machine learning.
• Se presenta la explicación de que un ALS típico divide la tarea en una o varias preguntas sustitutas que la máquina puede responder.
• Para crear un modelo de estudiante los desarrolladores preguntan qué características de los estudiantes son relevantes para el proceso de aprendizaje.
• Los sistemas adaptativos de enseñanza deben conllevar juicios similares a los implicados en la creación de una unidad de conocimiento: la pedagogía diaria y la experiencia del alumnado.
• No hay suficiente investigación sobre las prácticas en el aula para saber si los sistemas de recomendación ayudan a mejorar los resultados del alumnado o si centrarse en el tiempo de rendimiento afecta al bienestar del alumnado.
• Los sistemas de recomendación tienen que recurrir de manera regular a señales implícitas que pueden o no reflejar la verdad.
• Estos sistemas no pueden detectar “momentos de enseñanza”, entre sus características.

Escuchar, hablar y escribir

• No hay datos oficiales ni encuestas que expresen si los alumnos emplean traducción automática (por ejemplo, Google Translator).
• Los autores también se plantean si los traductores automáticos pueden engañar a los docentes, empleando para ello un experimento en el que se demostró que los docentes calificaron mejor a los estudiantes que habían empleado herramientas tipo DeepL.
• La transformación del proceso de escritura inducida por las herramientas digitales ha mejorado la calidad de los textos producidos.
• Algunos académicos proponen utilizar las herramientas digitales para que los estudiantes trabajen el uso de fuentes de información externas para desarrollar así habilidades de parafraseo adecuadas.
• El machine learning trabaja encontrando patrones en grandes cantidades de datos, pero antes de este estadio, los programadores tuvieron que sentarse y codificar qué características de esos datos son consideradas relevantes para el problema en cuestión, y aportar parámetros a la máquina.
• Las redes neuronales profundas son una rama del machine learning que extrae sus propios parámetros durante la fase de entrenamiento empleando múltiples capas que construyen relaciones entre esos parámetros: estableciendo representaciones simples en una primera capa y en una segunda capa empleado entidades más complejas.
• El procesamiento del lenguaje natural es un tema que se lleva trabajando estos últimos años con referencia a herramientas que incluyen reconocimiento óptico de caracteres, chatbots o herramientas de traducción automática.
• Los modelos de lenguaje transforman el input gramatical en respuesta probabilística, para lo que necesitan mucha cantidad da datos.
• La decodificación es el proceso por el que el algoritmo toma la secuencia de entrada en la herramienta y consultado los modelos toma una decisión en formato de output (textual) de salida.
• La agencia se define como la capacidad humana para tomar decisiones e iniciar y llevar a cabo acciones que influyen en sus vidas y en el mundo que los rodea.
• Involucra intencionalidad, autonomía, adaptabilidad y responsabilidad.
• Puede darse una reducción de la agencia personal si no se da intervención.
• Se exponen los posibles problemas de privacidad que pueden darse derivados del uso generalizado de la IA para el seguimiento.
• Para que la homogeneización algorítmica se presente como una injusticia, esto debe decidirse caso a caso.
• Se ha demostrado que los sistemas de texto predictivo cambian la forma en la que las personas escribe.
• La invisibilidad se define esta como una actuación bajo la influencia de la tecnología sin tener consciencia de ello, lo que plantea cuestionamientos serios sobre la agencia humana, sobre todo en la población juvenil.

Sobre la IA generativa

• Se definen como sistemas que crean nuevo contenido en la forma de imágenes, texto, audio, video, etc.
• Se presentan propuestas para que los docentes interactúen con la IA.
• Las IA generativas son potencial para la creación de programaciones, posibilitar contenidos motivadores e inclusivos o para la creación de ejemplos, ejercicios prácticos y cuestionarios, como aumentadora de la accesibilidad para los estudiantes que así lo requieran (ejemplificando con la posibilidad de convertir texto en habla o posibilitando el acceso a contenidos por parte del alumnado con discapacidad).
• La IA generativa puede ofrecer respuestas rápidas a nuestras demandas, pero no optimizadas para el aprendizaje de los estudiantes.
• La clave se expone en términos de educar a los agentes (alumnado y profesorado) en cuestionar lo que producen.
• Se presentan de manera cercana los mecanismos que subyacen al funcionamiento de los modelos de lenguaje de larga escala.
• Para producciones escritas que presentamos a la IA generativa se debe definir qué es lo que se busca producir.
• Es aconsejable otorgar contexto para aumentar las posibilidades de obtener una respuesta en relación con nuestras expectativas.

Lo degenerativo

• En términos éticos se nombran las amenazas a la privacidad (que requerirán que los modelos se expliquen de manera abierta), la homogeneidad (como tendencia de los sistemas a posicionar unas visiones y/o valores por encima de otros) y los prejuicios, entre otros.
• Se nombran las inexactitudes de las producciones que se crean (se comenta la tendencia de ChatGPT a presentar verdades sin evidencia), la alineación con las empresas que potencian estos productos o las posibles infracciones en términos de propiedad intelectual.

Los siguientes pasos

• Se inicia el texto con una aproximación al concepto de OER, poniendo el foco en que los derechos que exponen (se hace mención directa a la capacitada de revisión) no son triviales para la educación.
• La IA para educación necesitará datos para posteriormente presentar la dicotomía entre datos de usuarios y datos de conocimientos, incidiendo en que los primeros requieren de una protección especial y que los segundos deben ser compartidos cuando se tienen los derechos adecuados para ello.
• El texto plantea con fecha de diciembre de 2022 posibles maneras en las que la IA puede ayudar a los docentes con los exámenes: evaluaciones automáticas, proctoring, control de plagio, establecimiento de preguntas de manera automática.
• Entre los argumentos expuestos por los participantes se comentó la velocidad a la que progresa la tecnología, de manera que percibían que, al finalizar sus clases, metafóricamente hablando, la tecnología aparecería con una solución más conveniente.
• El texto pregunta para quién funciona la IA, argumentando que como el aprendizaje en la mayoría de los casos ocurre en un ambiente social, las recomendaciones de la IA pueden afectar tanto al individuo como al grupo.
• Se argumenta que el docente debe contrastar las decisiones tomadas por la IA con su propia experiencia.
• Se presentan los argumentos a favor del código como válidos para la IA en la actualidad (es útil para la escritura y el cálculo, está relacionado con la resolución de problemas, etc.).
• Igualmente se expone la necesidad de una alfabetización de IA en los centros escolares.

Contenido adicional

• OCR. El reconocimiento óptico de caracteres es una técnica basada en la IA para entender los personajes de una composición fotográfica.
• Una breve descripción de algunos motores de búsqueda. Como indica el título es una aproximación de las políticas de datos, cookies, configuración, etc. de algunos de los más populares buscadores.
• Optimizar la búsqueda. Muestra pautas para que el proceso de búsqueda de información con estas herramientas sea más eficiente.
• X5GON. Proyecto financiado por la Unión Europea para buscar e indexar recursos educativos en abierto.
• Se presenta una reflexión en torno a que no siempre es necesario etiquetar los datos, y las implicaciones en el entrenamiento de los algoritmos.
• Se presenta en formato video el concepto de overfiting (cuando el modelo es muy complejo, el error de entrenamiento es pequeño pero el de test es largo).
• Aprendizaje automático práctico. Se trata de una actividad adaptada de aquellas creadas por Codeweek para entrenar y clasificar imágenes empleando la máquina enseñable de Google.
• Esta sección está dedicada a profundizar en los aspectos de cookies and Fingerprinting con el fin de que entendamos el alcance que tienen en la actualidad.
• Más información sobre Big Data. Realiza una aproximación a los tres ejes que componen el concepto: tecnología que permite recopilar y analizar grandes conjuntos de datos, la creencia de que estos conjuntos de datos posibilitan una forma superior de conocimiento objetiva y la posibilidad que ofrece en análisis de big data para identificar posibles pares de dificultades de nuestros estudiantes.
• Aprendizaje semipresencial, aprendizaje basado en competencias o la instrucción diferenciada, entre otros.
• La tecnología de IA avanza rápidamente, lo que implica que la investigación sea dificultosa y que los docentes deban encontrar formas alternativas de acceso a la información ya que el avance de estas tecnologías pueda no ser lineal.
• Vocabulario de traducción automática. Define la transcripción automática (transformar entrada de voz en una salida de texto), las técnicas de síntesis de voz y las herramientas de generación de texto.
• Comprender los debates sobre los posibles riesgos de la IA. Presenta una invitación a reflexionar de manera crítica sobre los debates creados en torno a la IA en 2023.
• La sección IA Generativa, ¿dónde debería usarlas un/a docente? insta a partir de una óptica de consonancia entre las recomendaciones y normas establecidas por las autoridades, para proseguir con una didáctica del compromiso en la que se plantee al alumnado qué es y qué no hacer trampas...
• Transformadores. Se definen como un modelo de red neuronal diseñado para superar las limitaciones de las redes neuronales recurrentes en el análisis de secuencias de datos.
• GDPR en pocas palabras. Realiza un breve resumen del Reglamento de Protección de datos de la UE.
• IA y código. Introduce el debate de si es necesario aprender código cuando tenemos herramientas de IA que lo realizan.
• Aprendizaje automático e IA a través de experimentos de datos en Orange. Habla de las actividades de formación para docentes, del proyecto Pumice, que se encuentran respaldadas por Orange.
• Como conclusión muy provisional... la dificultad en el ámbito de la educación de diseñar planes de formación debido a la naturaleza cambiante de los temas.